[論文レビュー] A Tight Combinatorial Algorithm for Submodular Maximization Subject to a Matroid Constraint

Yuval Filmus, Justin Ward|arXiv (Cornell University)|Apr 20, 2012

Complexity and Algorithms in Graphs参考文献 27被引用数 19

ひとこと要約

本稿では、マトロイド制約のもとでの単調なサブモジュラ最大化に対して、最適な $1 - 1/e$ 近似比を達成する、組み合わせ的で丸め込みを必要としないアルゴリズムを提示する。非自明な局所探索を、巧みに構築された補助的ポテンシャル関数上で行い、従来のカバレッジ関数に関する研究を一般化し、丸め込みを必要としない連続的グリーディアルゴリズムの性能を模倣する。

ABSTRACT

We present an optimal, combinatorial 1-1/e approximation algorithm for monotone submodular optimization over a matroid constraint. Compared to the continuous greedy algorithm (Calinescu, Chekuri, Pal and Vondrak, 2008), our algorithm is extremely simple and requires no rounding. It consists of the greedy algorithm followed by local search. Both phases are run not on the actual objective function, but on a related non-oblivious potential function, which is also monotone submodular. Our algorithm runs in randomized time O(n^8u), where n is the rank of the given matroid and u is the size of its ground set. We additionally obtain a 1-1/e-eps approximation algorithm running in randomized time O (eps^-3n^4u). For matroids in which n = o(u), this improves on the runtime of the continuous greedy algorithm. The improvement is due primarily to the time required by the pipage rounding phase, which we avoid altogether. Furthermore, the independence of our algorithm from pipage rounding techniques suggests that our general approach may be helpful in contexts such as monotone submodular maximization subject to multiple matroid constraints. Our approach generalizes to the case where the monotone submodular function has restricted curvature. For any curvature c, we adapt our algorithm to produce a (1-e^-c)/c approximation. This result complements results of Vondrak (2008), who has shown that the continuous greedy algorithm produces a (1-e^-c)/c approximation when the objective function has curvature c. He has also proved that achieving any better approximation ratio is impossible in the value oracle model.

研究の動機と目的

• 単調なサブモジュラマトロイド最大化問題に対して、最適な $1 - 1/e$ 近似比を達成する組み合わせ的アルゴリズムの開発。
• 連続的グリーディアルゴリズムで用いられる丸め込み手順を排除し、整数解のみで動作するようにすること。
• カバレッジ関数に限らない任意の単調なサブモジュラ関数へ、非自明な局所探索フレームワークを一般化すること。
• 制限された曲率 $c$ を持つ関数に対しても、最適な $(1 - e^{-c})/c$ 近似比を達成できるようにアルゴリズムを拡張すること。
• 価値オракルモデルにおいても最適で効率的な組み合わせ的代替手法を提供すること。

提案手法

• アルゴリズムは二段階のアプローチを採用する：まずポテンシャル関数に対するグリーディ選択を行い、その後同じ関数上で局所探索を実行する。
• ポテンシャル関数 $g$ は、確率分布 $P$ から導かれる係数を用いて、部分集合における $f$-値の重み付き和として定義される。この係数は、より高い限界利益を持つ要素を強調するために用いられる。
• ポテンシャル関数 $g$ は単調なサブモジュラ関数であり、局所探索がより良い解へ誘導するための代理目的関数として機能する。
• 局所探索は、マトロイドにおける独立性を保ちながら、要素の入れ替えを繰り返し行い、$g$ を用いて移動の評価を行う。
• 曲率 $c$ を持つ関数に対しては、曲率を考慮した修正されたポテンシャル関数を用いることで、最適な $(1 - e^{-c})/c$ 比率を達成する。
• 曲率が未知の場合、$c$ の候補値を列挙することで、高確率で $(1 - e^{-c})/c - \epsilon$ 近似を得る。

実験結果

リサーチクエスチョン

• RQ1 丸め込みを必要とせず、完全に組み合わせ的であるアルゴリズムが、単調なサブモジュラマトロイド最大化問題において最適な $1 - 1/e$ 近似比を達成できるか？
• RQ2 カバレッジ関数から任意の単調なサブモジュラ関数へ、非自明な局所探索をどのように一般化できるか？
• RQ3 ポテンシャル関数は、サブモジュラ最大化の局所探索アルゴリズムの局所性比を向上させる役割を果たすか？
• RQ4 関数の曲率 $c$ が制限されている場合でも、最適性を保ちながらアルゴリズムを適応可能にできるか？
• RQ5 曲率が未知であっても、最適な近似比を組み合わせ的に達成することは可能か？

主な発見

• アルゴリズムは、丸め込みを一切用いず、組み合わせ的操作のみで、単調なサブモジュラマトロイド最大化問題に対して最適な $1 - 1/e$ 近似比を達成する。
• 正確な $1 - 1/e$ 比率の実行にはランダム化時間 $ ilde{O}(r^7 n^2)$ が、$1 - 1/e - \epsilon$ 近似の場合は $ ilde{O}(\epsilon^{-3} r^4 n)$ がかかる。
• 曲率 $c$ を持つ関数に対しては、最適な $(1 - e^{-c})/c$ 近似比を達成し、連続的グリーディアルゴリズムと同等の性能を示す。
• 関数 $f$ がカバレッジ関数である場合、ポテンシャル関数 $g$ は多項式時間で明示的に計算可能であり、効率的な局所探索ステップを可能にする。
• 曲率が未知の場合、候補となる $c$ 値の列挙を用いることで、高確率で $ ho(c) - \epsilon$ 近似を得る。
• 本手法は、カバレッジ関数に関する先行研究を一般化し、過去の非自明な局所探索で用いられたポテンシャル関数係数と一致する。